대형 언어 모델(Large Language Models, LLMs)은 강화 학습과 테스트 시간 스케일링 기술을 통해 추론과 정밀도에서 상당한 향상을 보여주고 있다. 그러나 기존의 단위 테스트 생성 방법들을 능가하는 CURE(Co-Evolving Code and Unit Test Generation in LLMs Using Reinforcement Learning)가 소개되었다. CURE는 ground-truth 코드로부터의 감독을 필요로 하지 않아 데이터 수집 비용을 줄이고 사용 가능한 훈련 데이터의 규모를 제한하지 않는다. CURE는 RL(Reinforcement Learning)과 테스트 시간 스케일링 기술을 사용하여 코드와 단위 테스트를 동시에 진화시키는 독특한 방법을 제시한다. 이를 통해 LLMs의 성능을 향상시키면서도 데이터 수집 비용과 훈련 데이터의 규모 제한을 극복할 수 있다. CURE는 기존의 O1-Coder, UTGEN 등의 방법들과 비교했을 때 우수한 성능을 보여준다. 이 방법은 감독 없이도 효과적으로 코드 및 단위 테스트를 생성할 수 있다는 점에서 혁신적인 요소를 지니고 있다. 따라서 CURE는 LLMs의 성능을 향상시키는 데 중요한 역할을 할 것으로 기대된다.

<Mark Tech Post 뉴스 본문 전체읽기>